Ambil Teks dari PDF Hasil Scan

Q: Mengapa teks dari halaman PDF scan dua kolom keluar tercampur?

Kolom tetap terpisah saat **Tata letak teks** diatur ke Pertahankan tata letak, pengaturan bawaan di sini. Jika baris dari kedua kolom masih berselang-seling, jarak antarkolom di hasil scan terlalu sempit; scan yang lebih bersih dengan halaman lurus biasanya menyelesaikannya.

Jika tidak ada satu kata pun yang bisa Anda sorot di sebuah PDF, berarti itu hasil scan: tumpukan foto halaman tanpa teks di dalamnya. Unggah di sini, dan OCR membaca setiap halaman kembali menjadi teks biasa yang bisa Anda salin, cari, dan edit.

atau jatuhkan file PDF, JPG, JPEG … di sini ·

Maks. 95 MB per file· Hingga 20 file· Dihapus setelah 30 menit

Keluaran

Bahasa dokumen

Keluaran

Jenis teks

File diproses di server kami dan dihapus setelah 30 menit.

Cara menggunakan alat ini

1
Unggah PDF hasil scan
Tambahkan PDF, atau hingga 20 PDF, masing-masing hingga 95 MB. Scan TIFF multi-halaman dan gambar satu halaman juga bisa.
2
Atur bahasa dan halaman
Bahasa dokumen diatur ke Inggris dan Keluaran ke Teks biasa (.txt). Ganti bahasa untuk dokumen lain, dan di Pengaturan lanjutan gunakan Halaman untuk membaca hanya sebagian rentang dari file yang panjang.
3
Kenali teks
Tekan Kenali teks. Halaman diluruskan dan diputar tegak terlebih dahulu, lalu dibaca berurutan ke dalam satu file teks.

PDF hasil scan vs PDF yang bisa dicari: mengapa teksnya tidak ada

PDF berisi gambar sajaPDF hasil scan · PDF yang tidak bisa dicari · PDF datar: PDF yang halamannya disimpan sebagai gambar, biasanya dihasilkan pemindai, fitur scan-to-email mesin fotokopi, atau aplikasi pemindai di ponsel. Tampilannya seperti dokumen, tetapi tidak ada kode karakter di dalamnya, sehingga tidak ada yang bisa dipilih, dicari, atau dibacakan.

PDF biasa yang diekspor dari Word atau browser berisi objek teks: setiap kata disimpan sebagai karakter dengan font dan posisi, sehingga pencarian dan penyalinan berfungsi. Pemindai melewati semua itu dan menyimpan satu gambar per halaman. Bagi komputer, halaman berisi kontrak Anda adalah jenis data yang sama dengan foto seekor kucing.

OCR membangun ulang lapisan yang hilang itu. Gambar halaman dibersihkan, baris dan kata ditemukan, lalu setiap bentuk karakter dicocokkan dengan alfabet Bahasa dokumen yang dipilih. Halaman ini mengembalikan hasilnya sebagai teks biasa. PDF yang bisa dicari adalah hasil umum lainnya: scan tetap terlihat dan kata-kata yang dikenali ditambahkan di belakangnya sebagai teks tak terlihat, mode tampilan yang sejak awal diizinkan standar PDF, ISO 32000.

Adobe Acrobat Reader yang gratis bisa menampilkan scan tetapi tidak menjalankan OCR; pengenalan teks adalah bagian dari Acrobat versi berbayar. Konverter adalah jalan pintas ketika Anda hanya perlu kata-katanya sekali dan tidak ingin berlangganan lagi. Jika hasil scan Anda masih kurang bagus, panduan kami tentang cara memindai dokumen ke PDF membahas pengaturan pemindai dan ponsel.

Resolusi scan untuk mengambil teks dari PDF hasil scan

Size	Pixels	cm	in	DPI	Fits
Letter	1700 × 2200	21,59 × 27,94	8,5 × 11	200	Hanya untuk cetakan besar yang bersih; teks kecil ditebak
Letter	2550 × 3300	21,59 × 27,94	8,5 × 11	300	Standar OCR untuk halaman cetak
A4	2480 × 3508	21 × 29,7	8,27 × 11,69	300	Detail yang sama di kertas A4
A4	3307 × 4677	21 × 29,7	8,27 × 11,69	400	Catatan kaki, huruf kecil, halaman mesin tik lama

Saat hasil teks dari PDF scan tidak sesuai

Kata-kata keluar tidak bermakna di seluruh halaman
Kemungkinan halaman memakai bahasa atau aksara lain. Atur Bahasa dokumen agar sesuai, dan tambahkan Kenali juga untuk bahasa kedua di halaman yang sama.
Baris terputus di tengah kalimat dan kata diakhiri tanda hubung
Itu mengikuti pemisah baris di cetakan. Pilih Alur teks polos di Tata letak teks untuk satu blok teks yang menyambung; sisa tanda hubung perlu dibereskan dengan cari dan ganti.
Beberapa halaman tidak ada di file teks
Pastikan Halaman diatur ke Semua halaman di Pengaturan lanjutan. Rentang seperti 1-3 memang membatasi pengenalan.

PDF

Portable Document Format

PDF dibuat oleh Adobe pada 1993 dan menjadi standar terbuka ISO 32000 pada 2008. Format ini mengunci teks, font, gambar, dan tata letak sehingga dokumen terlihat sama di setiap layar dan printer. PDF dapat memuat formulir, tanda tangan, tautan, lampiran, dan teks yang dapat dicari, dan varian PDF/A digunakan untuk pengarsipan jangka panjang. Tata letak yang tetap membuat PDF sulit diedit, dan PDF hasil pindaian hanya berisi gambar kecuali OCR diterapkan. Setiap browser dan sistem operasi dapat membukanya.

Kompresi: –
Transparansi: Ya
Animasi: Tidak
Diperkenalkan: 1993 · Adobe

Konverter PDF

TXT

Teks biasa

File TXT hanya berisi karakter biasa tanpa format, font, gambar, atau tata letak. File teks modern biasanya dienkode dalam UTF-8, yang mencakup semua bahasa, meskipun file lama mungkin menggunakan encoding lain dan menampilkan karakter yang kacau. Teks biasa berukuran sangat kecil, tidak pernah usang, dan dapat dibuka di semua perangkat, dari ponsel hingga server. Format ini tidak dapat menyimpan teks tebal, tabel, atau gambar, sehingga struktur harus dinyatakan dengan spasi atau markup sederhana.

Kompresi: –
Transparansi: –
Animasi: –
Diperkenalkan: –

Konverter TXT

PDF hasil scan menyimpan gambar halaman, sehingga kata-katanya tidak bisa disalin, dicari, atau diindeks; mengenalinya ke dalam file TXT mengubah scan menjadi teks yang bisa dipakai di editor, penerjemah, atau kotak pencarian.

Pertanyaan seputar mengambil teks dari PDF hasil scan

Bagaimana cara mengetahui apakah PDF saya hasil scan atau sudah berisi teks?

Coba pilih satu kalimat atau cari sebuah kata dengan Ctrl+F atau Command+F. Jika kursor memilih seluruh halaman seperti gambar dan pencarian tidak menemukan apa pun, itu scan berupa gambar saja dan memerlukan OCR. Jika kata-kata bisa disorot dengan normal, teksnya sudah ada dan PDF ke TXT mengambilnya persis, tanpa tahap pengenalan.

Mana hasil yang lebih baik dari PDF scan: teks biasa atau PDF yang bisa dicari?

Teks biasa untuk memakai ulang kata-katanya: mengutip, menerjemahkan, menempel ke database atau email. PDF yang bisa dicari mempertahankan tampilan scan dan menyembunyikan teks di belakangnya, cocok untuk arsip dan kontrak. Jika Anda menginginkan yang kedua, OCR PDF sudah disiapkan untuk itu.

Resolusi scan berapa yang memberi hasil teks terbaik dari PDF?

300 DPI untuk halaman cetak biasa. Dokumentasi Tesseract menyebut akurasi menurun untuk teks di bawah sekitar 10 pt pada 300 DPI, jadi catatan kaki dan huruf kecil lebih baik dipindai pada 400 DPI. Menaikkan ke 600 DPI jarang membantu OCR dan membuat PDF beberapa kali lebih besar.

Bisakah teks diambil dari PDF scan berisi ketikan mesin tik atau halaman buku lama?

Biasanya bisa. Huruf mesin tik dan huruf buku adalah huruf cetak biasa, dan Luruskan halaman memperbaiki kemiringan yang sering muncul saat memindai buku berjilid. Halaman yang sangat pudar lebih mudah dibaca dengan Tingkatkan kontras diaktifkan.

Mengapa teks dari halaman PDF scan dua kolom keluar tercampur?

Kolom tetap terpisah saat Tata letak teks diatur ke Pertahankan tata letak, pengaturan bawaan di sini. Jika baris dari kedua kolom masih berselang-seling, jarak antarkolom di hasil scan terlalu sempit; scan yang lebih bersih dengan halaman lurus biasanya menyelesaikannya.